Datapizza Community 🍕📈
Kanalga Telegram’da o‘tish
Canale Telegram ufficiale della Datapizza Community📍 👉🏾 https://datapizza.tech/ Contiene fonti, approfondimenti, extra e spunti di discussione sul mondo Tech & AI👩💻👨💻
Ko'proq ko'rsatish📈 Telegram kanali Datapizza Community 🍕📈 analitikasi
Datapizza Community 🍕📈 (@datapizza) Italiya til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 14 732 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 8 509-o'rinni va Italiya mintaqasida 1 727-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 14 732 obunachiga ega bo‘ldi.
03 Sentabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -57 ga, so‘nggi 24 soatda esa 4 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 23.92% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 10.09% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 3 524 marta ko‘riladi; birinchi sutkada odatda 1 487 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 5 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent agente, modello, posizione, datapizza, ral kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Canale Telegram ufficiale della Datapizza Community📍
👉🏾 https://datapizza.tech/
Contiene fonti, approfondimenti, extra e spunti di discussione sul mondo Tech & AI👩💻👨💻”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 04 Sentabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
14 732
Obunachilar
+424 soatlar
-177 kun
-5730 kun
Ma'lumot yuklanmoqda...
O'xshash kanallar
Taglar buluti
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Sentabr '26
Sentabr '26
+6
0 kanalda
Avgust '26
+28
0 kanalda
Get PRO
Iyul '26
+53
0 kanalda
Get PRO
Iyun '26
+44
0 kanalda
Get PRO
May '26
+37
0 kanalda
Get PRO
Aprel '26
+44
0 kanalda
Get PRO
Mart '26
+32
0 kanalda
Get PRO
Fevral '26
+38
0 kanalda
Get PRO
Yanvar '26
+23
0 kanalda
Get PRO
Dekabr '25
+14
0 kanalda
Get PRO
Noyabr '25
+44
0 kanalda
Get PRO
Oktabr '25
+49
0 kanalda
Get PRO
Sentabr '25
+45
0 kanalda
Get PRO
Avgust '25
+62
0 kanalda
Get PRO
Iyul '25
+271
0 kanalda
Get PRO
Iyun '25
+104
0 kanalda
Get PRO
May '25
+436
0 kanalda
Get PRO
Aprel '25
+497
0 kanalda
Get PRO
Mart '25
+1 176
0 kanalda
Get PRO
Fevral '25
+795
0 kanalda
Get PRO
Yanvar '25
+201
0 kanalda
Get PRO
Dekabr '24
+283
0 kanalda
Get PRO
Noyabr '24
+45
0 kanalda
Get PRO
Oktabr '24
+151
0 kanalda
Get PRO
Sentabr '24
+74
0 kanalda
Get PRO
Avgust '24
+1 566
0 kanalda
Get PRO
Iyul '24
+143
0 kanalda
Get PRO
Iyun '24
+339
0 kanalda
Get PRO
May '24
+75
0 kanalda
Get PRO
Aprel '24
+271
0 kanalda
Get PRO
Mart '24
+350
0 kanalda
Get PRO
Fevral '24
+96
0 kanalda
Get PRO
Yanvar '24
+267
0 kanalda
Get PRO
Dekabr '23
+213
0 kanalda
Get PRO
Noyabr '23
+61
0 kanalda
Get PRO
Oktabr '23
+202
0 kanalda
Get PRO
Sentabr '23
+176
0 kanalda
Get PRO
Avgust '23
+1 999
0 kanalda
Get PRO
Iyul '23
+546
0 kanalda
Get PRO
Iyun '23
+156
0 kanalda
Get PRO
May '23
+176
0 kanalda
Get PRO
Aprel '23
+265
0 kanalda
Get PRO
Mart '23
+584
0 kanalda
Get PRO
Fevral '23
+503
0 kanalda
Get PRO
Yanvar '23
+321
0 kanalda
Get PRO
Dekabr '22
+590
0 kanalda
Get PRO
Noyabr '22
+854
0 kanalda
Get PRO
Oktabr '22
+398
0 kanalda
Get PRO
Sentabr '22
+177
0 kanalda
Get PRO
Avgust '22
+119
0 kanalda
Get PRO
Iyul '22
+125
0 kanalda
Get PRO
Iyun '22
+217
0 kanalda
Get PRO
May '22
+245
0 kanalda
Get PRO
Aprel '22
+85
0 kanalda
Get PRO
Mart '22
+163
0 kanalda
Get PRO
Fevral '22
+280
0 kanalda
Get PRO
Yanvar '22
+324
0 kanalda
Get PRO
Dekabr '21
+96
0 kanalda
Get PRO
Noyabr '21
+181
0 kanalda
Get PRO
Oktabr '21
+155
0 kanalda
Get PRO
Sentabr '21
+869
0 kanalda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 04 Sentabr | 0 | |||
| 03 Sentabr | +5 | |||
| 02 Sentabr | +1 | |||
| 01 Sentabr | 0 |
Kanal postlari
Un benchmark per capire se gli agenti sono davvero proattivi 🎯
UniClawBench valuta gli agenti su task reali con un sistema a tre agenti: un executor, un supervisor nascosto e uno user agent che simula feedback multi-turno senza svelare i criteri di valutazione.
Dentro troverete:
📌 Executor agent: esegue il task richiesto
📌 Supervisor nascosto: valuta la qualità senza essere visibile all'agente
📌 User agent: simula un utente reale con feedback multi-turno
📌 L'obiettivo: misurare la proattività, non solo l'esecuzione
Lo trovate qui 👉 https://arxiv.org/abs/2607.08768
| 2 |  Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ Software Engineer (.NET) - Imatra
💸 RAL: 45k - 55k
💡 Esperienza: 4+ anni
📍 Full Remote, con la disponibilità di recarsi in sede a Rimini quando richiesto
🙌 Tecnologie: C#, .NET, SQL, PostgreSQL, ReactGCP
👉 https://bit.ly/4y957Bi
2️⃣ Senior Software Engineer - Datapizza
💸 RAL: 40k - 55k
💡 Esperienza: 4+ anni
📍 Full Remote
🙌 Tecnologie: Effect, Docker, Typescript, TanStack, AWS, Next.JS, Bun
👉 https://bit.ly/4h5NeOa
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 1 731 |
| 3 |  Gli agenti LLM messi alla prova in ambienti reali, non ideali 🌐
La maggior parte dei benchmark valuta gli agenti in scenari semplificati, con tool puliti e input perfetti. AgentGym2 fa il contrario: testa gli agenti in ambienti "de-idealizzati" che assomigliano molto più al mondo reale.
Dentro troverete:
📌 Ambienti realistici: niente tool interface pre-impacchettate
📌 Input imperfetti: gli agenti devono gestire dati incompleti o sporchi
📌 Copertura ampia: più scenari e più tipologie di task rispetto ai benchmark classici
Lo trovate qui 👉 https://arxiv.org/abs/2607.05174 | 2 055 |
| 4 |  Tutti i numeri sull'AI del primo trimestre 2026 📊
CB Insights ha pubblicato il suo report trimestrale sullo stato dell'AI, con dati su funding, startup, settori più caldi e le mosse delle Big Tech nel primo trimestre dell'anno.
Dentro troverete:
📌 Funding: dove sono finiti davvero i miliardi investiti in AI
📌 Settori: quali verticali stanno crescendo più velocemente
📌 Startup: le aziende emergenti da tenere d'occhio
📌 Big Tech: le strategie delle grandi aziende sull'AI
Lo trovate qui 👉 https://www.cbinsights.com/research/report/ai-trends-q1-2026/ | 2 266 |
| 5 |  Gli agenti AI messi alla prova su task lunghi da terminale 💻
I benchmark da terminale esistenti misurano solo task brevi, risolvibili in pochi minuti. Long-Horizon-Terminal-Bench cambia approccio: valuta gli agenti su compiti lunghi, con un sistema di reward denso che premia anche i progressi parziali.
Dentro troverete:
📌 Il problema: i benchmark classici ignorano il progresso intermedio
📌 La soluzione: reward grading denso per misurare anche i risultati parziali
📌 L'obiettivo: capire quanto un agente regge in task complessi e prolungati
Lo trovate qui 👉 https://arxiv.org/abs/2607.08964 | 2 515 |
| 6 |  Il toolkit robotics open source di Hugging Face si aggiorna 🤖
LeRobot v0.6.0 è il rilascio più grande di sempre per la libreria open source di robotica di Hugging Face: chiude il loop imagine-evaluate-improve per l'AI embodied, con nuovi modelli, benchmark e strumenti di training.
Dentro troverete:
📌 World model policies: VLA-JEPA, FastWAM, LingBot-VA per "immaginare" il futuro
📌 Nuovi VLA: GR00T N1.7, MolmoAct2, EO-1, EVO1 e altri
📌 Valutazione: 6 benchmark di simulazione unificati in lerobot-eval
📌 Training: FSDP e cloud training su HF Jobs
📌 Dataset: supporto depth, annotazione automatica e caricamento 2x più veloce
Lo trovate qui 👉 https://huggingface.co/blog/lerobot-release-v060 | 3 248 |
| 7 |  Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ AI Transformation Leader in Azzurro Digitale
💸 RAL: 60k-80k + MBO
💡 Esperienza: 5+ anni
📍 Ibrido a Padova
🙌 Tecnologie: AI Expert, Evaluation di soluzioni GenAI, RAG e Agenti, Sistemi multi-agente, AI Tools, People Management, Project management
👉 https://bit.ly/4qHWmfl
2️⃣ AI Transformation Lead - Datapizza
💸 RAL: 45-55k
💡 Esperienza: 6-8 anni
📍 Ibrido su Milano (3-4 giorni a settimana in sede)
🙌 Tecnologie: AI ExpertEvaluation di soluzioni GenAIAI TransformationAI ToolsChange Management
👉 https://bit.ly/3SVoxe8
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 3 229 |
| 8 |  Le skill dei vostri agenti possono allenarsi da sole 🛠️
SkillOpt di Microsoft è un optimizer open source che allena skill testuali riutilizzabili per agenti LLM "congelati", senza toccare i pesi del modello. Basta un documento di skill che si aggiorna da solo, con edit validati e nessuna chiamata extra a inferenza.
Dentro troverete:
📌 Come funziona: un optimizer trasforma i rollout in edit su un unico file di skill
📌 Validazione: ogni modifica è accettata solo se migliora lo score
📌 Risultati: fino a +24,8 punti nel loop agentico di Codex
📌 Portabilità: le skill si trasferiscono tra modelli e harness diversi
Lo trovate qui 👉 https://github.com/microsoft/SkillOpt | 3 104 |
| 9 |  Creare dataset con l'AI, senza scrivere una riga di codice 🧮
Hugging Face ha lanciato AI Sheets, un tool open source che vi permette di costruire, arricchire e trasformare dataset usando modelli AI direttamente da un'interfaccia a foglio di calcolo. Potete usare migliaia di modelli open del Hub tramite Inference Providers, oppure far girare tutto in locale.
Dentro troverete:
📌 Zero codice: interfaccia a celle, come un foglio di calcolo
📌 Migliaia di modelli: accesso diretto ai modelli open del Hub
📌 Locale o cloud: scegliete tra Inference Providers e modelli locali
📌 Arricchimento dati: generate, pulite e trasformate colonne con un prompt
Lo trovate qui 👉 https://huggingface.co/blog/aisheets | 3 049 |
| 10 |  Un agente AI puo' davvero comportarsi come un ricercatore, dall'idea alla pubblicazione? 🔬
Questa suite di benchmark valuta LLM frontier e harness agentici su tutto il ciclo di vita della ricerca scientifica, non solo su un singolo task isolato.
Dentro troverete:
📌 Copertura: ideazione, letteratura, esperimenti, scrittura del paper
📌 Target: modelli frontier e harness agentici a confronto diretto
📌 Metodo: task pensati per simulare il lavoro reale di un ricercatore
📌 Risultato: gap ancora ampio tra agenti e ricercatori umani sul ciclo completo
Lo trovate qui 👉 https://arxiv.org/abs/2606.07462 | 3 014 |
| 11 |  +1Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ Sales Industry Leader - Pubblica Amministrazione e Difesa in Datapizza
💸 RAL: 70k-80k
💡 Esperienza: 6+ anni
📍 Ibrido su Milano
🙌 Tecnologie: Sales Strategy, Account Management, Capacità di negoziazione, Data & AI, Business Development, Result driven, Pubblica Amministrazione e Difesa
👉 https://bit.ly/4qBVybO
2️⃣ AI Transformation Leader in Azzurrodigitale
💸 RAL: 60k-80k
💡 Esperienza: 5+ anni
📍 Ibrido su Padova
🙌 Tecnologie: AI Expert, Evaluation di soluzioni GenAI, RAG e Agenti, Sistemi multi-agente, AI Tools, People Management, Project management
👉 https://bit.ly/4zvVf6b
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 3 627 |
| 12 |  Aggiornare un package una volta è facile, farlo per 12 release di fila molto meno ⛓️
SWE-Chain valuta i coding agent su catene di upgrade reali, dove ogni versione si costruisce sulla precedente proprio come succede nella manutenzione vera di un progetto.
Dentro troverete:
📌 Dataset: 12 catene di upgrade su 9 package Python reali
📌 Scala: 155 transizioni di versione, 1.660 requisiti verificati
📌 Risultato: i migliori agenti risolvono in media meno del 50% dei task
📌 Top performer: Claude Opus 4.7 su Claude Code al 60,8% di resolving
Lo trovate qui 👉 https://arxiv.org/abs/2605.14415 | 3 441 |
| 13 |  Il capex delle Big Tech sta per superare il cash flow 📊
Epoch AI ha pubblicato un nuovo data insight sulla spesa in infrastrutture AI degli hyperscaler: stima che entro il Q3 2026 gli investimenti in capex supereranno il flusso di cassa operativo.
Dentro troverete:
📌 Il sorpasso: capex aggregato oltre il cash flow entro Q3 2026
📌 NVIDIA: oltre il 60% del compute totale installato
📌 Il resto: Google e Amazon a coprire gran parte del compute rimanente
📌 Il trend: capex cresciuto molto più velocemente dei ricavi
📌 I dati: parte del database Epoch AI su oltre 3.500 modelli ML
Lo trovate qui 👉 https://epoch.ai/data-insights/hyperscaler-capex-vs-cash-flow | 3 576 |
| 14 |  Valutare un agente AI su un benchmark intero costa caro! 💰
Ma serve davvero farlo? 🤔
Questo paper mostra come selezionare solo i task a difficoltà intermedia permetta di ridurre drasticamente il costo di valutazione senza perdere affidabilità.
Dentro troverete:
📌 Filtro basato su tassi di successo storici tra il 30% e il 70%
📌 Riduzione dei task di valutazione dal 44% al 70%
📌 Alta fedeltà nel ranking anche cambiando scaffold nel tempo
📌 Metodo motivato dalla Item Response Theory
📌 Codice e dati rilasciati pubblicamente su GitHub
Lo potete trovare qui 👉 https://arxiv.org/abs/2603.23749 | 3 451 |
| 15 |  Un corso gratuito per costruire agenti con memoria vera 🧩
DeepLearning.AI e Oracle hanno lanciato "Agent Memory: Building Memory-Aware Agents", un corso pratico per progettare sistemi di memoria che permettono agli agenti AI di ricordare, recuperare e aggiornare le proprie conoscenze nel tempo.
Dentro troverete:
📌 L'infrastruttura: memoria costruita su Oracle AI Database e LangChain
📌 I tipi di memoria: design di un sistema che gestisce memorie diverse per funzione
📌 La ricerca semantica: scalare l'accesso ai tool tramite semantic search
📌 Il write-back: loop che permettono all'agente di aggiornare la propria memoria da solo
📌 Il risultato finale: un Memory Aware Agent che migliora sessione dopo sessione
Lo potete trovare qui! 👉 https://www.deeplearning.ai/courses/agent-memory-building-memory-aware-agents | 3 680 |
| 16 |  Nove modelli frontier messi alla prova sulla ricerca web più difficile mai testata 🔎
DeepWeb-Bench richiede di raccogliere prove massicce da fonti diverse e derivazioni a lungo raggio, molto più complesse dei benchmark esistenti.
Dentro troverete:
📌 Solo il 12-14% degli errori dipende dal retrieval, il resto da derivazione e calibrazione
📌 Modelli forti e deboli sbagliano in modi qualitativamente diversi
📌 Accordo tra modelli basso: correlazione di appena ρ = 0,61
📌 Disaccordo per singolo caso fino a 18,8 punti percentuali
📌 Ogni risposta accompagnata da un record di provenienza delle fonti
Lo trovate qui 👉 https://arxiv.org/abs/2605.21482 | 4 133 |
| 17 |  +1Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ Product Lead in Medicilio
💸 RAL: 50k-75k
💡 Esperienza: 4+ anni
📍 Ibrido su Milano (3 giorni smart-working/settimana)
🙌 Tecnologie: UX/UI Design, AI Fluency, Comunicazione efficace, Product Strategy, Microservizi, Gestione Team, Project management, Regulatory Compliance, SQL
👉 https://bit.ly/4gep7LD
2️⃣ Lead Data Architect in Intarget Group S.r.l. – Società Benefit
💸 RAL: 60k-70k
💡 Esperienza: 5+ anni
📍 Ibrido su Milano, Pisa o Roma
🙌 Tecnologie: Python, SQL, Apache Kafka, GCP, Data Pipeline, Strumenti BI, CI/CD, Terraform
👉 https://bit.ly/4gatYO4
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 4 252 |
| 18 |  Un framework per testare le vostre applicazioni LLM come fareste con del codice normale 🧪
DeepEval è una libreria open source con decine di metriche pronte per agenti, RAG, chatbot e summarization, con una developer experience in stile Pytest.
Dentro troverete:
📌 Metriche: agenti, RAG, chatbot, summarization già pronte all'uso
📌 Integrazione: si collega ai principali framework LLM
📌 Licenza: Apache 2.0, completamente open source
📌 Adozione: oltre 400.000 download mensili
Lo trovate qui 👉 https://github.com/confident-ai/deepeval | 3 750 |
| 19 |  Un dataset multilingue da mille miliardi di token è online 🌍
Hugging Face ha rilasciato FineTranslations: un dataset di testo parallelo che copre l'inglese e oltre 500 altre lingue, pensato per migliorare la traduzione automatica a minori risorse.
Dentro troverete:
📌 La scala: oltre 1000 miliardi di token di testo parallelo
📌 La fonte: contenuti non in inglese di FineWeb2 tradotti con Gemma3 27B
📌 La pipeline: processo di generazione dei dati completamente documentato e riproducibile
📌 L'obiettivo: colmare il divario di qualità nella traduzione verso lingue meno rappresentate
📌 L'uso: pronto per il training e il fine-tuning di modelli di traduzione
Vi lasciamo qui il link! 👉 https://huggingface.co/blog/Pclanglais/two-trillion-tokens-open | 3 626 |
| 20 |  Un paper per ripensare la memoria degli agenti AI 🤔
I ricercatori propongono Memory in the Loop: un sistema di retrieval in-process che funge da memoria di lavoro estesa per gli agenti linguistici, senza ricorrere a database esterni separati.
Dentro troverete:
📌 Il problema: la memoria a lungo termine tradizionale rallenta gli agenti
📌 La soluzione: retrieval integrato direttamente nel processo di inferenza
📌 I vantaggi: meno latenza e più coerenza tra i turni di conversazione
📌 I test: valutazioni su task multi-step che richiedono memoria estesa
📌 Le implicazioni: un possibile standard per gli agenti di nuova generazione
Ecco a voi il link! 👉 https://arxiv.org/abs/2607.05690 | 3 723 |
